Muwanafunzi wa Kihesabu cha Kihesabu cha Mtu - Kifaa cha Kihesabu cha Mtu

Makutano ya kuzingatia watukio wengi (Multiple Regression)

Makutano ya kuzingatia watukio wengi kama ya makutano ya kuzingatia watukio moja, kimekuwa kwamba tunatenda kumtumia mbali mbali ya kuzingatia thamani kwa thamani mbili au zaidi.

Tazama ina data ya chache hapa chini, inayotungulia habari kuhusu michezo ya kuu.

Car Model Volume Weight CO2
Toyota Aygo 1000 790 99
Mitsubishi Space Star 1200 1160 95
Skoda Citigo 1000 929 95
Fiat 500 900 865 90
Mini Cooper 1500 1140 105
VW Up! 1000 929 105
Skoda Fabia 1400 1109 90
Mercedes A-Class 1500 1365 92
Ford Fiesta 1500 1112 98
Audi A1 1600 1150 99
Hyundai I20 1100 980 99
Suzuki Swift 1300 990 101
Ford Fiesta 1000 1112 99
Honda Civic 1600 1252 94
Hundai I30 1600 1326 97
Opel Astra 1600 1330 97
BMW 1 1600 1365 99
Mazda 3 2200 1280 104
Skoda Rapid 1600 1119 104
Ford Focus 2000 1328 105
Ford Mondeo 1600 1584 94
Opel Insignia 2000 1428 99
Mercedes C-Class 2100 1365 99
Skoda Octavia 1600 1415 99
Volvo S60 2000 1415 99
Mercedes CLA 1500 1465 102
Audi A4 2000 1490 104
Audi A6 2000 1725 114
Volvo V70 1600 1523 109
BMW 5 2000 1705 114
Mercedes E-Class 2100 1605 115
Volvo XC70 2000 1746 117
Ford B-Max 1600 1235 104
BMW 2 1600 1390 108
Opel Zafira 1600 1405 109
Mercedes SLK 2500 1395 120

Kwa sababu tunakupata kamaingia kwa CO2 kwa kifaa kwa ukurabati, lakini kwa kuregulate, tunaweza kuingia kwa kina zingine, kama kifaa cha kifaa, ili kumaliza muonekano.

Tunaweza kutafuta kamaingia kwa CO2 kwa kifaa kwa ukurabati, lakini kwa kuregulate, tunaweza kuingia kwa kina zingine, kama kifaa cha kifaa, ili kumaliza muonekano.

Maadili

import pandas

Kwenye Python, tunanwa moduli ambazo zinafanya kazi hii. Kwanza, tunapata mada ya Pandas:

Mada ya Pandas inaruhusiwa kutuma fayili ya csv na kureturna kina ya DataFrame.Fayili hii inatumiwa kwa madaragga tu, unaweza kudownload kwenye:

df = pandas.read_csv("cars.csv")

cars.csv

Kisha, kila thamani ya kina inasemekana kwa 'X'.

X = df[['Weight', 'Volume']]
y = df['CO2']

Thamani zingeweka kwenye kina ya 'y'.Mafano: Kawaida, tunajua thamani za kina kwa kina kubwa.X ，inajua thamani za kina kwa kina.y

。

from sklearn import linear_model

Tunatumia mbali mbali ya mada ya sklearn, kwa sababu tunahitaji kuingia kwenye mada: Kwenye mada ya sklearn, tunatumia: LinearRegression()

Kifaa kina ina mtu wa kina: fit() Mwendo, ambao una thamani za kina na thamani za kina kama thamani, na kifaa cha kuregulate kwa thamani ya huzuni:

regr = linear_model.LinearRegression()
regr.fit(X, y)

Sasa, tunamemiliki kifaa cha kuregulate, ambao tunaweza kutafuta thamani ya CO2 kwa kifaa kwa ukurabati na kifaa vya kifaa:

# Tafuta kamaingia kwa CO2 ya kifaa kwa ukurabati wa 2300kg, na kifaa vya 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])

Mfano

Angalia matokeo kwa kina:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
# Tafuta kamaingia kwa CO2 ya kifaa kwa ukurabati wa 2300kg, na kifaa vya 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

Matokeo:

[107.2087328]

Kumaliza Mfano

Tunapendelea, kama tunaweza kumwambia 1.3 usiku wa motor, ukurabati wa 2300 kilogramu, kila kilomita tunatoa kwa 107 gramu za CO2.

Thamani

Thamani inaeleza kina cha kuhusiana na kina bila jina.

Mfano: kama x Ni kina, na 2x Ni x mabara.x Ni kina bila jina, namba 2 Ni thamani.

Kwenye hali hii, tunaweza kumwambia thamani za kifaa kwa CO2, na vifaa vya vifaa vya CO2. Matokeo yetu inasema, kama tunaweza kuingia ama kumwenda kwa thamani ya kina, yaitwa kina.

Mfano

Kipangilio cha kipata thamani za kifaa cha kuregulate:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
print(regr.coef_)

Matokeo:

[0.00755095 0.00780526]

Kumaliza Mfano

Muonekano wa matokeo

Matokeo wa orodha inaeleza thamani za vifaa na vifaa vya kifaa.

Vitabu: 0.00755095
Vifaa: 0.00780526

Mivulizi hizi inasema, kama ukurabati uweza kuitwa 1g, kamaingia kwa CO2 kuitwa 0.00755095g.

Kamaingia ukurabadhi wa motor (vifaa) kwa 1 ccm, kamaingia kwa CO2 kuitwa 0.00780526g.

Inafikia wewe kwamba hii inaainishwa kwa hatua, lakini tukinga mawasiliano tukifanyia matokeo!

Tunapendelee, kama mafuta yenye ingawa ya 1300ccm ina ubukizi wa 2300 kilogramu, matokeo wa kutoa CO2 kinahofikia kwa juu ya 107 grami.

Je, kama tunatangaza 1000g za ubukizi, ni gani?

Mfano

Nakopakia mafanikio ya awali, lakini tukinga ubukizi wa 2300 na 3300:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
predictedCO2 = regr.predict([[3300, 1300]])
print(predictedCO2)

Matokeo:

[114.75968007]

Kumaliza Mfano

Tunapendelee, kwa mafanikio ya 1.3 liti ya ingawa, na ubukizi wa 3.3 toni, mafuta yenye ukurungu wa 1 kilomita ina kutoa kwa juu ya 115 grami ya CO2.

Hii inonyesha kwamba kibali cha 0.00755095 ni sahihi:

107.2087328 + (1000 * 0.00755095) = 114.75968